Câu đệm và kết nối SIP: hai tính năng nhỏ giúp tổng đài AI nói chuyện tự nhiên như người
Tóm tắt bài viết
Người nói chuyện chỉ nghỉ khoảng 0,2 giây giữa hai lượt, còn callbot đời cũ có thể im tới gần 9 giây. Câu đệm và SIP là hai công nghệ mới giúp tổng đài AI phản hồi nhanh và gọi thẳng vào tổng đài doanh nghiệp.
Bạn hỏi callbot "đơn của tôi giao chưa?", rồi đầu dây im lặng ba giây. Bạn nói "a lô?" đúng lúc bot bắt đầu trả lời, và hai bên nói chồng lên nhau. Đó là khoảnh khắc khách nhận ra mình đang nói chuyện với máy, và cũng là lúc nhiều khách cúp máy.
Khoảng im lặng đó không phải chuyện nhỏ. Nghiên cứu ngôn ngữ học cho thấy con người cực kỳ nhạy với khoảng nghỉ trong hội thoại. Năm 2026, các mô hình giọng nói mới của OpenAI và NVIDIA giải quyết vấn đề này bằng hai tính năng nghe rất bình thường: câu đệm và kết nối SIP. Bài viết này giải thích cả hai bằng ngôn ngữ đơn giản, kèm số liệu từ các nghiên cứu và tài liệu chính thức.
Người nói chuyện với nhau nhanh đến mức nào
Năm 2009, nhóm nhà khoa học do Tanya Stivers dẫn đầu công bố trên tạp chí khoa học PNAS một nghiên cứu về cách người ta thay phiên nhau nói ở 10 ngôn ngữ khác nhau, từ các cộng đồng bản địa đến những ngôn ngữ lớn trên thế giới. Họ phát hiện mọi ngôn ngữ đều có chung một quy tắc: người ta tránh nói chồng lên nhau và tránh để khoảng lặng kéo dài. Khoảng nghỉ trung bình giữa các ngôn ngữ chỉ chênh nhau trong khoảng 250 phần nghìn giây.
Các nghiên cứu tổng hợp sau đó, được trích trong một bài báo năm 2015 trên tạp chí Frontiers in Psychology, cho thấy:
- Khoảng nghỉ giữa hai lượt nói trung bình khoảng 200 phần nghìn giây, tức 0,2 giây.
- Hơn một nửa số lần chuyển lượt (51% đến 55%) diễn ra trong chưa tới 0,2 giây.
- Trong khi đó, để nghĩ ra và bắt đầu nói một từ duy nhất, con người cần khoảng 0,6 giây; một câu đơn giản cần khoảng 1,5 giây.
Hai con số này mâu thuẫn nhau, và lời giải là: người nghe đoán trước khi nào người kia sắp nói xong, rồi chuẩn bị câu trả lời ngay trong lúc đang nghe. Nói cách khác, cuộc trò chuyện tự nhiên là việc hai người cùng "chạy trước" nhau.
Với tổng đài, điều này có nghĩa là khách hàng đã quen với nhịp phản hồi rất nhanh. Một khoảng im lặng một hai giây đã đủ để khách cảm thấy có gì đó không ổn.
Vì sao tổng đài AI hay im lặng
Callbot đời cũ hoạt động theo ba bước nối tiếp nhau:
- Nghe: chuyển giọng nói của khách thành chữ.
- Nghĩ: đưa chữ vào mô hình AI để hiểu ý và soạn câu trả lời. Nếu cần, AI còn phải tra cứu phần mềm quản lý đơn hàng hay phần mềm quản lý khách hàng (CRM).
- Nói: chuyển câu trả lời từ chữ thành giọng nói.
Mỗi bước phải chờ bước trước xong. Cộng lại, thời gian chờ có thể rất dài.
Bộ đánh giá Full-Duplex-Bench v3, do Đại học Quốc gia Đài Loan và NVIDIA công bố tháng 4/2026, đo đúng điều này trên 100 tình huống gần với thực tế. Kết quả:
| Hệ thống | Thời gian chờ | Điểm đáng chú ý |
|---|---|---|
| Hệ thống ba bước nối tiếp (nghe, nghĩ, nói) | 8,78 giây mới nói từ đầu tiên | Nói chồng lên khách trong 33% tình huống |
| GPT-Realtime (OpenAI) | Hoàn thành nhiệm vụ sau 6,89 giây | Nói chồng lên khách trong 13,5% tình huống |
| Gemini Live 3.1 (Google) | Hoàn thành nhiệm vụ sau 4,25 giây | Không nói gì trong 22% tình huống |
Con số cuối đáng chú ý nhất. Trong 22% tình huống, Gemini Live 3.1 không nói lời nào, dù phần lớn trong số đó (86%) nó vẫn đã tra cứu xong. Nghĩa là AI làm đúng việc nhưng không báo cho khách biết. Với người gọi điện, kết quả đó không khác gì đường dây bị rớt.
Thế hệ mới: vừa nghe vừa nói
Thay vì ba bước nối tiếp, các mô hình mới xử lý giọng nói trực tiếp và có thể vừa nghe vừa nói cùng lúc, như hai người nói chuyện qua điện thoại. Giới kỹ thuật gọi kiểu này là "song công" (full-duplex).
Ngày 18/9/2026, NVIDIA công bố NemotronLabs VoiceChat, một mô hình song công mở hoàn toàn, ai cũng có thể tải về dùng. Theo bài báo của NVIDIA:
- Mô hình chuyển lượt nói trong 448 phần nghìn giây, tức chưa tới nửa giây.
- Khi bị khách ngắt lời, mô hình dừng lại trong 480 phần nghìn giây.
- Khi khách chỉ "ừ", "dạ" để thể hiện đang nghe, mô hình tiếp tục nói đúng mạch trong 93% trường hợp, thay vì dừng lại tưởng khách muốn nói.
Đây là tốc độ gần với nhịp hội thoại của con người. Nhưng chính NVIDIA cũng thừa nhận giới hạn: mô hình mới được đánh giá bằng tiếng Anh, và khả năng tra cứu dữ liệu chính xác còn thấp hơn các mô hình thương mại hàng đầu.
Câu đệm: cách tổng đài viên vẫn làm từ trước tới nay
Một tổng đài viên giỏi không bao giờ để khách nghe im lặng. Họ nói "dạ, anh chờ em kiểm tra một chút" rồi mới tra máy. Khách biết mình đang được phục vụ, nên chờ thêm vài giây cũng không khó chịu.
Các mô hình giọng nói năm 2026 bắt đầu làm đúng như vậy:
| Công nghệ | Câu đệm hoạt động thế nào | Nguồn |
|---|---|---|
| GPT-Realtime-2 (OpenAI, 08/05/2026) | Tính năng "preamble": mô hình nói một câu ngắn trong lúc đang suy nghĩ hoặc tra cứu | Bài tổng hợp của Build Fast with AI |
| Kiến trúc tách hai phần (NVIDIA, 09/2026) | Phần lo nghe nói phát một câu đệm, đồng thời chuyển việc tra cứu cho một trợ lý AI khác chạy phía sau | Bài báo NVIDIA trên arXiv |
| NemotronLabs VoiceChat (NVIDIA, 18/09/2026) | Nói một câu đệm định sẵn trong lúc công cụ tra cứu đang chạy | Bài báo NVIDIA trên arXiv |
Cách tách hai phần của NVIDIA đáng chú ý vì nó giải quyết cùng lúc hai việc. Phần phía trước chỉ lo nghe, nói và xử lý việc bị ngắt lời. Phần phía sau là một trợ lý AI văn bản lo việc tra cứu và suy luận. Kết quả, hệ thống giữ được khả năng chuyển lượt nói trong 100% tình huống thử và hoàn thành 48% nhiệm vụ trên Full-Duplex-Bench v3. Con số này vẫn thấp hơn GPT-Realtime (61%), nhưng cao hơn hẳn mô hình song công tự tra cứu một mình (33%).
Giới hạn của câu đệm
Câu đệm không phải phép màu. Bài báo của NVIDIA nêu rõ hai giới hạn:
- Trong lúc đang tra cứu, khách không ngắt lời được. Nếu khách đổi ý giữa chừng, bot phải tra xong mới nghe.
- Dùng quá nhiều công cụ thì kém đi. Khi một phiên trò chuyện có hơn khoảng 5 công cụ tra cứu khác nhau, chất lượng giảm rõ.
Bài học cho doanh nghiệp: kịch bản càng gọn, số việc bot phải tra cứu càng ít, thì trải nghiệm càng mượt.
Mẹo viết câu đệm bằng tiếng Việt
- Đúng ngữ cảnh: "Dạ, em xem đơn của anh ngay" tốt hơn "Vui lòng chờ".
- Ngắn: dưới 2 giây khi đọc. Câu đệm dài làm cuộc gọi chậm thêm.
- Có vài phiên bản: chuẩn bị 3 đến 4 câu khác nhau cho mỗi loại tra cứu. Lặp đi lặp lại một câu nghe còn máy móc hơn im lặng.
- Không hứa trước kết quả: tránh "em xử lý được ngay ạ" khi chưa biết dữ liệu có hay không.
- Đúng cách xưng hô: nếu kịch bản đã gọi "anh", "chị", câu đệm cũng phải giữ nguyên.
SIP là gì, giải thích không cần kỹ thuật
Nếu ví cuộc gọi như một lá thư, thì SIP là "quy tắc ghi địa chỉ và gửi thư" mà gần như mọi tổng đài qua internet đều dùng. Nhờ có chung quy tắc này, tổng đài của doanh nghiệp, nhà mạng và các phần mềm khác nhau mới gọi được cho nhau.
SIP trunk là đường dây thoại số mà nhà mạng cấp cho tổng đài doanh nghiệp, thay cho đường dây điện thoại truyền thống. Một SIP trunk có thể chạy nhiều cuộc gọi cùng lúc. Phần lớn các tổng đài ảo đang phổ biến ở Việt Nam đều hoạt động dựa trên SIP.
Khi một mô hình AI hỗ trợ SIP, nó có thể nhận và gọi điện thoại thật qua đường dây của nhà mạng một cách trực tiếp, không phải qua nhiều lớp phần mềm trung gian để chuyển đổi âm thanh. Ít lớp trung gian hơn nghĩa là ít độ trễ hơn và ít chỗ có thể hỏng hơn.
GPT-Realtime-2 và kết nối SIP của OpenAI
Ngày 8/5/2026, OpenAI ra mắt GPT-Realtime-2, mô hình giọng nói mới cho các trợ lý AI nói chuyện theo thời gian thực. Theo các bài tổng hợp, những điểm mới gồm:
- Khả năng suy luận ngang các mô hình văn bản mạnh nhất của OpenAI.
- Bộ nhớ hội thoại lớn gấp 4 lần thế hệ trước (128.000 so với 32.000 đơn vị văn bản), giúp nhớ được các cuộc gọi dài.
- Câu đệm trong lúc suy nghĩ, như đã nói ở trên.
- Gọi điện qua SIP và kết nối với các hệ thống khác theo chuẩn MCP.
Cùng lúc, OpenAI ra mắt mô hình chuyển giọng nói thành chữ GPT-Realtime-Whisper với giá 0,017 USD mỗi phút, khoảng 440 đồng.
Theo tài liệu chính thức của OpenAI về kết nối SIP:
- Cần một SIP trunk từ nhà cung cấp viễn thông, nối vào dự án của doanh nghiệp trên nền tảng OpenAI.
- Cuộc gọi đến: hệ thống của doanh nghiệp nhận thông báo có cuộc gọi, quyết định nhận hay từ chối, rồi AI bắt đầu nói chuyện. Trong lúc gọi, hệ thống vẫn theo dõi được nội dung và ra lệnh cho AI.
- Cuộc gọi đi: phải được OpenAI bật riêng cho từng tổ chức, số điện thoại phải ghi theo chuẩn quốc tế (ví dụ +84...).
- Chuyển máy sang người thật: dùng lệnh chuyển cuộc gọi chuẩn của SIP.
- Giới hạn cố định: đổ chuông tối đa 3 phút, mỗi cuộc gọi tối đa 2 giờ. Tín hiệu và âm thanh bắt buộc được mã hóa.
OpenAI còn cảnh báo một lỗi rất thực tế: không được tự động gọi lại khi lệnh gọi đi bị treo mà chưa rõ kết quả, vì có thể tạo ra cuộc gọi thứ hai. Khách nhận hai cuộc gọi liên tiếp từ cùng một nơi là kiểu trải nghiệm dễ bị báo là cuộc gọi rác.
Vì sao điều này quan trọng với doanh nghiệp Việt Nam
Khách đánh giá doanh nghiệp qua mấy giây đầu. Nhịp phản hồi chậm hay nói chồng lên khách khiến cuộc gọi bị cảm nhận là "máy móc", dù nội dung đúng.
Đầu số và sự minh bạch ngày càng quan trọng. Bộ Công an đang lấy ý kiến dự thảo nghị định thay thế Nghị định 91/2020 về chống tin nhắn, email và cuộc gọi rác. Theo báo chí tổng hợp, dự thảo yêu cầu doanh nghiệp đăng ký tên định danh khi gọi quảng cáo, và người gọi phải nêu họ tên, đơn vị ngay đầu cuộc gọi. Khi AI gọi qua đường dây chính thức của doanh nghiệp, việc quản lý đầu số và nội dung mở đầu cuộc gọi sẽ dễ hơn. Dự thảo vẫn có thể thay đổi trước khi ban hành.
Chuyển máy mượt giữ chân khách. Theo khảo sát của Gartner năm 2024 với 5.728 khách hàng, nỗi lo lớn nhất về AI chăm sóc khách hàng là khó gặp được người thật. Một hệ thống chuyển máy sang nhân viên ngay trên cùng đường dây, kèm nội dung khách đã nói, giải quyết đúng nỗi lo này.
5 câu nên hỏi nhà cung cấp callbot
- Khi bot cần tra cứu, khách nghe thấy gì trong lúc chờ?
- Khách có ngắt lời bot được không, kể cả lúc bot đang tra cứu?
- Bot chuyển máy sang nhân viên thế nào, và nhân viên có thấy nội dung khách đã nói không?
- Bot gọi từ đầu số nào, có nối được vào tổng đài hiện tại của doanh nghiệp không?
- Hệ thống xử lý thế nào để không gọi trùng một khách hai lần?
Tự kiểm tra trong 5 phút
Bạn không cần biết kỹ thuật để đánh giá một callbot. Hãy tự gọi thử và làm bốn việc:
- Hỏi một câu cần tra cứu, như hỏi tình trạng đơn hàng, và đếm số giây im lặng.
- Ngắt lời bot khi nó đang nói, xem nó có dừng lại và nghe không.
- Nói "ừ", "dạ" khi bot đang nói, xem nó có bị dừng nhầm không.
- Yêu cầu gặp nhân viên, xem chuyển máy mất bao lâu và nhân viên có biết bạn vừa hỏi gì không.
UCALL: Làm chủ công nghệ đàm thoại tự nhiên với độ trễ dưới 1 giây
Trong khi các giải pháp trên thị trường còn loay hoay với bài toán độ trễ và khoảng lặng ngượng ngùng, UCALL tự hào mang đến trải nghiệm đàm thoại tự nhiên vượt bậc:
- ⚡ Độ trễ siêu thấp (< 1 giây): Tối ưu hóa hạ tầng viễn thông trực tiếp tại Việt Nam, phản hồi tức thì, triệt tiêu hoàn toàn khoảng lặng chết người (Dead Air).
- 🗣️ Câu đệm thông minh độc quyền (Smart Fillers): AI tự động chèn câu đệm mềm mại, đúng ngữ cảnh trong lúc tra cứu dữ liệu từ CRM hoặc cơ sở dữ liệu doanh nghiệp.
- 🛑 Ngắt lời tự nhiên (Smart Barge-in): Khách cất tiếng là bot dừng nói ngay trong 0.2 giây để lắng nghe, không bao giờ nói đè lên khách như các bot thế hệ cũ.
- 🔌 Kết nối SIP Trunk linh hoạt trong 15 phút: Dễ dàng tích hợp trực tiếp vào hệ thống tổng đài IP và đầu số hotline hiện có của doanh nghiệp, không cần mua phần cứng đắt đỏ.
- 📊 Hệ sinh thái tích hợp Adahub CRM: Tự động ghi âm, gỡ băng và đồng bộ lịch sử đàm thoại về màn hình Khách hàng 360 độ, cúp máy là tự động gửi Zalo ZNS/SMS xác nhận.
👉 Đừng để những khoảng lặng ngượng ngùng của bot làm mất đi những khách hàng tiềm năng đắt giá!